Исследователи представили новый подход к оптимизации в рамках гауссовских процессов (GP) с использованием квантовых ядер. Работа фокусируется на поиске баланса между выразительностью модели и её обучаемостью в условиях ограниченных вычислительных ресурсов эпохи NISQ. Метод позволяет эффективнее решать задачи квантового контроля и подготовки состояний, минимизируя вычислительные затраты при сохранении высокой точности предсказаний в пространстве воспроизводящего ядра (RKHS).
Традиционные методы оптимизации часто сталкиваются с проблемой «проклятия размерности» или избыточной сложности при работе с квантовыми признаковыми пространствами. Авторы статьи предлагают математический аппарат, который ограничивает сложность модели, не жертвуя при этом способностью алгоритма улавливать нелинейные зависимости в данных. Это критически важно для вариационных квантовых алгоритмов, где точность аппроксимации целевой функции напрямую влияет на сходимость процесса обучения.
Данное исследование открывает путь к более стабильному применению байесовской оптимизации в квантовых вычислениях. Устранение разрыва между теоретической мощностью квантовых ядер и практическими ограничениями текущего «железа» позволяет точнее настраивать параметры квантовых систем, что является необходимым этапом для масштабирования квантовых вычислений в прикладных задачах машинного обучения.
Ключевые факты
- Исследование сфокусировано на оптимизации гауссовских процессов (GP bandit) с применением квантовых ядер.
- Основная область применения — задачи эпохи NISQ: квантовый контроль, подготовка состояний и вариационные алгоритмы.
- Предложенный метод решает проблему баланса между выразительностью (expressivity) и обучаемостью (learnability) модели.
- Математическая модель базируется на предположении, что целевая функция вознаграждения принадлежит пространству RKHS, индуцированному квантовым ядром.